[论文解读] GFA: Exploratory Analysis of Multiple Data Sources with Group Factor Analysis

Eemeli Leppäaho, Muhammad Ammad-ud-din+1 more|arXiv (Cornell University)|Nov 3, 2016

Gene expression and cancer classification参考文献 6被引用 20

一句话总结

该论文介绍了GFA R包，用于群体因子分析，通过稀疏、可解释的分解方法实现对多个共现数据源的探索性分析。通过在投影矩阵上应用群体稀疏先验，GFA能够识别共享和源特定的潜在成分，支持缺失值预测，并提供从预处理到稳健模型解释的完整分析流程，显著提升了多源数据整合与双聚类分析能力。

ABSTRACT

The R package GFA provides a full pipeline for factor analysis of multiple data sources that are represented as matrices with co-occurring samples. It allows learning dependencies between subsets of the data sources, decomposed into latent factors. The package also implements sparse priors for the factorization, providing interpretable biclusters of the multi-source data

研究动机与目标

• 解决对分析多个共现数据源（具有复杂共享变异和结构化噪声）的全面、端到端分析流程的需求。
• 克服现有工具（如CCAGFA和CMF）的局限性，支持稀疏因子分解并提供完整的分析工作流支持。
• 通过在潜在因子和载荷上施加逐元素稀疏先验，实现多源数据的可解释双聚类分析。
• 在高维因子分析中常见的多模态后验分布下，支持稳健的模型推断。
• 通过自动剪枝冗余成分实现模型复杂度选择，同时支持灵活的噪声建模。

提出的方法

• 使用贝叶斯群体因子分析，将多个数据矩阵建模为通过共享潜在因子的低秩近似。
• 对投影矩阵（W^{(m)}）应用spline-and-slab先验，以在投影矩阵中诱导群体稀疏性，从而识别在部分数据源子集中共享的成分。
• 采用Gibbs采样进行后验推断，通过初始化较高数量的成分数（K）并剪枝冗余成分，实现自动模型复杂度选择。
• 通过将NA条目标记为未观测值，并利用后验预测分布进行缺失值预测，支持缺失数据插补。
• 使用基于相关性的稳健性分析（robustComponents()）函数，识别在多个MCMC链中频繁出现的成分，从而在多模态后验设置下提高可靠性。
• 将预处理（如中心化、标准化）和可视化工具（如visualizeComponents()）整合到统一的分析流程中。

实验结果

研究问题

• RQ1 如何设计一个统一的端到端分析流程，以支持多源数据因子分解的预处理、建模与解释？
• RQ2 群体稀疏先验在多源数据中改善可解释性并发现共享或源特定模式方面，其效果如何？
• RQ3 通过成分剪枝实现的自动模型复杂度选择，在不发生过拟合的情况下识别真实潜在结构方面，效果如何？
• RQ4 在高维、多模态后验设置下，通过多个MCMC链识别稳健成分是否能提高模型可靠性？
• RQ5 GFA在预测多源数据中的缺失值方面表现如何，特别是在源间关系复杂的情况下？

主要发现

• GFA包成功实现了多源数据的完整分析流程，包括预处理、因子分解、缺失值预测和模型解释。
• 群体稀疏先验能够识别任意数据源子集之间的共享成分，提升可解释性并减少因子分解中的噪声。
• 当初始K值足够高时，通过自动剪枝实现的模型复杂度选择能有效工作，即使K被高估，性能下降也极小。
• 在GDSC癌细胞系数据集中，初始K值为20或25时预测性能最优（Spearman相关系数），完整模型仍保持竞争力。
• robustComponents()函数能有效识别多个MCMC链中稳定的成分，从而在多模态后验场景下提高可靠性。
• 缺失值预测准确且高效，尤其是在使用训练模型的固定投影对顺序数据批次进行处理时表现更优。